该研究试图将深度卷积神经网络与组合模型相结合，以解决当前计算机视觉领域的一个基本问题：在高识别性的同时识别部分遮挡的物体。研究者提出了一种学习两步法，即训练标准DCNN进行图像分类，然后将DCNN特征聚类成字典，并建议用组合模型混合以解决空间激活模式的重要变化问题。该研究表明，组合模型与DCNNs的结合解决了当今深度学习方法在计算机视觉中的基本问题，即在未曾接受训练的情况下识别部分遮挡的物体，同时对不发生遮挡的物体保持高识别性能。

May, 2019

本研究旨在提出一种称为“组合卷积神经网络”的模型，通过整合组合模型和卷积神经网络的特性，能够在部分遮挡的情况下进行分类和定位，与传统的卷积神经网络比较表现出更强的鲁棒性和准确性。

Mar, 2020

本研究提出了 CompositionalNets，一种将深度卷积神经网络和基于部件的模型统一起来的可解释深度体系结构，具有天生的部分遮挡鲁棒性，同时能够将图像分解为对象和上下文，并基于非遮挡部分的对象来识别遮挡对象。实验结果表明，CompositionalNets在分类和检测部分遮挡对象方面比传统的深度卷积神经网络有显著的优势，并可以准确地定位遮挡物。

Jun, 2020

综述文章介绍了生成对抗网络(GANs)在图像合成领域的各种应用，包括图像到图像的转换、融合图像生成、标签到图像映射和文本到图像生成，并总结了基于模型、特定于架构、约束、损失函数、评估度量和培训数据集开发思路等各种领域进展和具体实现，并提出了未来发展的潜在方向。

Dec, 2020

通过探索回归进隐空间的方法来研究生成对抗网络 (GAN) 的组合特性，将回归器与预训练的生成器结合成强大的图像先验，从而实现无需预定义概念和标签即可实现基于实例的图像编辑，该方法在图像合成、填充和编辑等多个任务中都有应用。

Mar, 2021

本文提出了一种基于GAN框架生成纹理三角形网格的方法，可以不依赖关键点注释，同时在ImageNet上设置了新的基准，相比基于真实关键点的先前方法性能相当。

Mar, 2021

GANformer2采用显式和强有力的结构先验，通过一个序列式的过程合成图像，在多个数据集上成功表现出了最先进的性能，该模型从初始草图到最终的高清晰度图像，提供了图像产生的深入洞察。

Nov, 2021

提出了一种基于深度生成模型的方法，通过将潜在的场景表示分为与视角无关 和 视角相关部分来学习多个未指定视角的组合场景表示，并采用神经网络来迭代集成不同视角中包含的信息. 实验表明该方法能够有效地从多个未指定视角学习.

Dec, 2021

本文研究生成对抗网络（GANs）中的潜在空间与三维对象的关系，探讨了几种GAN的变体和训练方法，旨在提高3D GAN的训练效果，同时提出了未来研究的方向。

Apr, 2023

利用深度图和阿尔法通道修正不准确的遮挡和增强图像合成中的透明效果，DepGAN在对象的位置语义准确性、透明度和遮挡处理方面明显优于现有的方法。

Jul, 2024